Havuz
Takip ettiğimiz konularda yükselen açık kaynak projeler — yıldız ivmesi, gerçek geliştirme aktivitesi ve AI değerlendirmesiyle.
Yalnız hareketli, son 28 günde commit almamış repoları gizler (yıldızı olan ama bırakılmış projeler). Commit sayısı henüz ölçülmemiş repolar da gizlenir.
EtiketTüm GitHub etiketleri — repo sahiplerinin koyduğu topic'lergöster
Etiketler yükleniyor…
- 1
A clinical decision-evidence benchmark: pull the one fact an answer rests on, and see whether the assistant's action moves with the evidence
19,4/gün ort. +23 son gün 19 commit 1 yazar Python 07 Eyl 2026 güncellendi 15 gün önce - 2
DecisionPivot: a diagnostic benchmark for decision models in LLM systems. Contrast pairs that differ in one decisive detail, generators with
7,6/gün ort. +0 son gün 2 commit 1 yazar Python 14 Eki 2026 güncellendi 14 gün önce - 3
Open memory & reliability layer for AI agents + independent judging/verification (NACRE judge, caliber-bench meta-benchmark, preregistered c
6,6/gün ort. +0 son gün 878 commit 1 yazar Python 27 Nis 2026 güncellendi 3 gün önce - 4
Open-source benchmark for browser AI agents on daily tasks.
5,7/gün ort. +10 son gün 17 commit 2 yazar Python 10 Nis 2026 güncellendi 12 gün önce - 5
Open source evals for physical AI. Run any LLM/VLA on any arm/humanoid against any real/sim benchmark.
5,6/gün ort. +0 son gün 14 commit 7 yazar Python 26 Haz 2026 güncellendi 6 gün önce - 6
The first exam for code agents in the physical world: frozen robot tasks from many benchmark suites, each answered with a program and verifi
5/gün ort. +5 son gün 111 commit 7 yazar Python 18 Eyl 2026 güncellendi dün - 7
Multi-tier framework for evaluating AI agent skills with quality gates, semantic overlap detection, synthetic evaluation dataset generation,
4,7/gün ort. +6 son gün 120 commit 13 yazar Python 24 Haz 2026 güncellendi dün - 8
HarnessEval-W: Agentifying the Evaluation of Visual Worlds
4/gün ort. +0 son gün 0 commit 0 yazar Python 17 Ağu 2026 güncellendi 07 Eyl 2026 - 9
EvoTrace, Claude Code ve Codex oturumlarını inceleyip eğitim, değerlendirme ve doğrulama için yeniden kullanılabilir varlıklara dönüştürür.
Neden yükseliyor · 39 günde 292 yıldız, coding agent oturumlarından eğitim ve değerlendirme varlığı üretme fikrine ilgi olduğunu gösteriyor; ancak bu ilginin nedeni ölçümlerden anlaşılamıyor. Son 28 günde commit ve farklı yazar olmaması, ilginin devam eden geliştirme veya benimsemeyle desteklendiğine dair kanıt sunmuyor.
3,7/gün ort. +0 son gün 0 commit 0 yazar Python 19 Ağu 2026 güncellendi 3 gün önce - 10
Track 42,331+ AI benchmark, eval, dataset, and data-quality records from 40 public sources, with linked evidence and daily updates.
3,2/gün ort. +0 son gün 532 commit 5 yazar Python 27 Tem 2026 güncellendi dün - 11
ParseBench - A Document Parsing Benchmark for AI Agents
3/gün ort. +5 son gün 98 commit 10 yazar Python 10 Nis 2026 güncellendi dün - 12
Unified World Model Inference & Evaluation Infrastructure
2,7/gün ort. +0 son gün 21 commit 1 yazar Python 09 Tem 2026 güncellendi 16 gün önce - 13
LoopArena, uzun süreli yazılım görevlerinde bir coding agent’ı yönlendiren modelleri ortak koşullarda karşılaştırmak için benchmark ve çalıştırma altyapısı sunuyor.
Neden yükseliyor · Coding agents’ın uzun süreli iş akışlarında nasıl yönlendirileceği güncel bir araştırma konusu; LoopArena bu konuya açık protokol, benchmark sonuçları ve bir arXiv paper ile dikkat çekiyor. Ancak 146 yıldız, 28 günlük repo yaşı ve son 28 günde tek farklı yazar, ilginin henüz yaygın benimsemeye dönüştüğünü göstermiyor.
2,4/gün ort. +0 son gün 1 commit 1 yazar Python 31 Ağu 2026 güncellendi 20 gün önce - 14
Run your real agent with and without your skills, MCPs, and rules. See which ones actually help, and what they cost in tokens. Supports Clau
1,3/gün ort. +0 son gün 68 commit 1 yazar Python 13 May 2026 güncellendi 2 gün önce - 15
🦞 ResearchClawBench: Evaluating AI Agents for Automated Research from Re-Discovery to New-Discovery
1,2/gün ort. +0 son gün 10 commit 2 yazar Jupyter Notebook 18 Mar 2026 güncellendi 7 gün önce - 16
Alignment-research scaffold (autoresearch-style) for LLM guardrails: search over a single policy.md surface
0,9/gün ort. +0 son gün — commit Python 15 Haz 2026 güncellendi 01 Eki 2026 - 17
GAN-style self-improvement loop for any text artifact: mutate, grade with a SEPARATE model, keep only verified wins (pairwise-judged), rever
0,9/gün ort. +0 son gün — commit Python 01 Haz 2026 güncellendi 03 Ağu 2026 - 18
The marketplace for verifiable AI outcomes: state a task, get a fixed price upfront, and Primitive Bench routes across tools to complete it,
0,9/gün ort. +0 son gün — commit Python 17 Haz 2026 güncellendi 03 Eyl 2026 - 19
Self-evolving agentic reward framework for image-editing evaluation — 47.4% on EditReward-Bench from only 100 preference demos, no reward-mo
0,6/gün ort. +0 son gün — commit Python 14 May 2026 güncellendi 8 gün önce - 20
Litefuse - Agent Observability and Evaluation Platform
0,5/gün ort. +0 son gün — commit TypeScript 20 Nis 2026 güncellendi 21 gün önce - 21
⚡ Unit tests for AI. Test prompts, compare models, save money.
0,5/gün ort. +0 son gün — commit Python 11 Nis 2026 güncellendi 22 May 2026